CN107563310B - 一种违章变道检测方法 - Google Patents
一种违章变道检测方法 Download PDFInfo
- Publication number
- CN107563310B CN107563310B CN201710702929.2A CN201710702929A CN107563310B CN 107563310 B CN107563310 B CN 107563310B CN 201710702929 A CN201710702929 A CN 201710702929A CN 107563310 B CN107563310 B CN 107563310B
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- line
- frame
- lane change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开了一种违章变道检测方法,首先在输入的交通监控视频的场景中标记出待检测区域中的实线,再基于此对视频序列进行逐帧车辆检测。逐帧检测是否有目标出现在标记的实线附近,若有目标接近实线则对该目标进行跟踪。在跟踪的过程中计算当前车辆所有位置到实线上的垂直或水平投影,并计算投影到实际位置的有向距离。当相邻两帧出现该距离的符号反向则说明车辆已经越过实线,完成了变道。本发明的方法将实线附近的一个小邻域作为越线目标的候选区域,缩小了搜索和跟踪的范围,提高了整个处理过程的效率。而在跟踪过程中不断计算自己位置的几何中心与在实线上投影的有向距离来辨别车辆是否最终完成了变道,简便易行,机制鲁棒性强。
Description
技术领域
本发明属于智能交通和计算机视觉技术领域,具体涉及一种利用交通监控视频进行违章变道检测的方法。
背景技术
违章变道的检测是智能交通和计算机视觉等领域的重要技术,利用摄像头进行交通状况的实时拍摄,并使用计算机对拍摄视频中的违章变道现象进行自动检测不仅可以节省大量的人力资源,在提高交通异常事件的检测效率的同时,实现了完全无监督的自动化智能监控。违章变道在实际生活中频繁出现,严重影响了交通秩序并且容易引发交通事故。因此违章变道的检测是智能交通监控中的一个重要组成部分,为后续的违章车辆抓拍、识别以及违章车辆的惩治做了充分的准备,因此研究违章变道的检测方法具有重要的意义。
目前,基于视觉算法的违章变道识别方法主要有:
(1)基于车辆轨迹分析的识别处理,将车辆的行为分析分为3个步骤:车辆检测、参数化特征、行为识别。采用GMM(混合高斯模型)背景建模和基于Haar-like特征的Adaboost算法进行车辆识别;通过背景减除法检测运动前景,随后加载分类器检测车辆;最后,使用Camshift算法进行目标跟踪,并通过相邻帧之间的联系,得到目标的坐标变化从而提取出目标的轨迹特征。因该方法使用camshift算法进行目标跟踪,虽然计算复杂度较低,但对于复杂场景和丰富纹理目标跟踪效果较差,在面对多目标的复杂道路场景可靠性较差。
(2)基于车载摄像机的车辆变道检测方法,首先对图像天空区域和地面区域进行分割,获取地面区域图像,然后利用Sobel算子进行边缘检测以及Otsu二值化处理;在车道线提取方面该方法使用霍夫变换进行直线检测并拟合车道线方程。在变道判决的过程中,该方法通过对上述处理的拟合结果进行标记并进行违章判决。由于其仅使用霍夫变换进行车道线拟合,算法对噪声的鲁棒性较差,且直线拟合结果直接影响了车辆越线的判决结果,因此本检测方法对复杂车道场景处理较差。
(3)基于视频的车辆违章变道事件检测方法,该方法主要包括基于块的二值化分割,将待处理视频帧中的目标和背景分离开来。基于块的特征角点选择,通过标记目标的特征点进行车辆跟踪并记录其跟踪点的位置信息。最后基于跟踪轨迹特征实现匹配计算车辆位置比例方差从而判断车辆是否变道。在变道判决方面,计算车辆跟踪轨迹中的坐标,即匹配角点的位置,和相应禁止跨越车道线之间的水平代数距离,将该距离作为变道判决依据。但由于该检测方法使用特征点跟踪方式,特征匹配的随机性匹配特征点不能确保均匀分布在目标表面,从而容易造成目标中心估计不准确进而引起越线误判。
(4)通过V-S分水岭算法(基于沉浸模拟的分水岭算法)处理背景和前景二值图像提取运动目标区域,并利用车辆目标与车道线在N时间段距离的方差来表示S进行违章越线判决:当车辆在车道线内行驶时,其方差S较小(即在N时间段内车辆与车道线距离的波动较小),若发生变道操作,则S较大。因其使用方差S作为越线判决依据,相较于使用直线模型判决法适应性更强,不受直线拟合精度影响,但由于必须持续观测N时间段才能做出判决,实时性相对较差。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种违章变道检测方法,本发明对交通监控视频中的违章变道车辆的检测效果相较于传统的方法,其搜索范围更加精确,处理效率更高且越线的判断机制更加精简准确。
本发明的一种违章变道检测方法,包括下列步骤:
步骤1:初始化检测参数:
101:基于预设的待检测区域R内的指定实车道线的直线方程得到实线集合SL;
102:基于待检测视频的初始帧,初始化变道跟踪集合ST,其中集合ST的每个元素表示一个车辆目标的状态信息,包括目标位置、目标停留计数器、目标违章越线标志位,目标所压直线:
基于预设的车辆检测模型,对初始帧进行车辆检测,得到车辆位置,即基于任一惯用车辆检测法获取视频帧的车辆检测结果(各车辆位置),以便于基于车辆检测结果初始化集合ST;
遍历所有车辆位置,将与实线集合SL中的任意直线的位置距离的小于预设阈值T3的车辆位置作为车辆目标,并构建各车辆目标的状态信息:将车辆目标的车辆位置作为目标位置,将与车辆目标的位置距离小于预设阈值T3的直线作为目标所压直线,初始化各车辆目标的目标停留计数器和目标违章越线标志位;
步骤2:从待检测视频的第二帧开始,依次对待检测视频帧进行违章越线检测处理:
201:跟踪(任一惯用目标跟踪方法)集合ST的每个车辆目标在当前帧的目标位置;
202:基于帧间位置变化更新集合ST的每个车辆目标的目标停留计数器:若当前帧与上一帧的目标位置变化距离小于预设阈值T1,则将对应的目标停留计数器加1;
203:遍历集合ST的所有车辆目标,若当前帧的目标位置不在待检测区域R内或目标停留计数器大于阈值T2,则将当前车辆目标的状态信息从集合ST中删除;204:基于相邻帧的目标位置与目标所压直线的位置关系更新集合ST的每个车辆目标的目标违章越线标志位:若当前帧与上一帧的目标位置位于目标所压直线的同一侧,则将目标违章越线标志位置为非压线标识;否则置为压线标识;
由目标违章越线标志位为压线标识的车辆目标得到当前帧的违章变道检测结果;
205:基于当前帧的目标位置、更新后的目标停留计数器和目标违章越线标志位得到更新后的变道跟踪集合ST,并基于当前帧的车辆检测结果对当前集合ST进行更新:
基于预设的车辆检测模型,对当前帧进行车辆检测,得到当前帧的车辆位置;
遍历所有车辆位置,将与实线集合SL中的任意直线的距离的小于预设阈值T3的车辆位置作为候选车辆目标;
将与当前集合ST的目标位置重合的候选车辆目标删除得到当前帧的新增车辆目标;
构建各新增车辆目标的状态信息并存入集合ST中:将所述新增车辆目标的车辆位置作为目标位置,将与各新增车辆目标的位置距离小于预设阈值T3的直线作为目标所压直线,初始化各新增车辆目标的目标停留计数器和目标违章越线标志位。
进一步的,步骤204中,当前帧与上一帧的目标位置位于目标所压直线的同一侧的判定方式为:分别计算当前帧、上一帧的目标位置到目标所压直线的垂直或水平投影,并计算当前帧的目标位置与对应投影的有向距离、上一帧的目标位置与对应投影的有向距离;若相邻两帧的有向距离的符号同向,则当前帧与上一帧的目标位置位于目标所压直线的同一侧。即相邻两帧的有向距离的符号反向时,则认为车辆已经越过实线,完成了变道。
进一步的,为了简化处理,步骤205仅在在当前帧为待检测视频的非最后一帧时进行。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
(1)将接近所指定实车道线的目标作为变道的候选目标,极大地缩小了搜索范围,提高了处理效率;
(2)通过跟踪帧间位置变化剔除变道跟踪目标中在一段时间内保持静止的目标,以避免跟踪处理中因帧间位置未变而导致的目标跟丢对后续帧的跟踪处理的影响;
(3)在变道评定时,本发明基于前后两帧的目标位置与目标所压直线的位置关系进行判定(非同侧则认为压线变道),其判定机制简单、准确性高。
附图说明
图1是处理流程图;
图2是检测效果示意图,其中图2-A为违章变道前的示意图,图2-B位违章变道车辆检出结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
参加图1,本发明提出的违章变道检测方法采用以下步骤实现:
S1:设置待检测区域R,并标注出待检测区域R内的实车道线,再计算所标注的实车道线对应的直线方程并存入实线集合SL中,得到违章变道检测的压线集合。
例如用lj表示任意直线方程,其中下标j为直线标识符,其对应的直线方程为:lj:y=kjx+bj,则集合SL可以表示为:SL={lj|lj∈R},;
S2:加载车辆检测模型model(预设,通常为矩形框),初始化变道跟踪集合ST为空,即没有车辆目标存在。集合ST表示跟踪的车辆目标的状态信息集合,集合的每个元素表示一个车辆目标Ci的状态信息,包括目标位置Ci_loc(优选为各车辆目标的几何中心坐标,以便于简化计算过程)、目标所压直线Ci_l、目标停留计数器Ci_n、目标违章越线标志位Ci_F(当Ci_F为0,则表示该车辆目标对Ci_l不压线(越线);Ci_F为1,则表示该车辆目标越线),其中下标i为车辆目标标识符。
S3:读取下一帧视频I。S4:判断集合ST是否为空,若是,则执行步骤S5;否则执行步骤S9;
S5:利用车辆模型model对视频帧I进行车辆检测,得到当前帧的车辆检测结果(车辆目标的车辆位置),其通常为包括车辆目标的最小矩形框在当前帧的位置信息。
由当前帧的所有车辆位置构成集合Sc,即Sc={Cm_loc|Cm∈I},其中Cm表示当前帧的车辆目标,Cm_loc表示当前帧的车辆目标的目标位置,优选为车辆目标Cm的车辆位置的几何中心坐标(xm,ym),m为集合Sc中车辆目标标识符;
S7:基于位置距离distm_j选择当前帧的候选跟踪集合Stmp,即Stmp表示对应当前帧的临时变道跟踪集合:
遍历集合Sc中的所有车辆目标,对任意车辆目标Cm,若存在一条直线lj使其distmj小于对应的阈值T3(Cm与实线lj距离充分接近,则认为该目标对实线lj出现压线情况),则将该车辆目标加入候选跟踪集合Stmp中,并将对应的实线lj(distm_j小于对应的阈值T3)作为目标所压直线Cm_l存入集合Stmp中。
其中每个distmj分别对应一个阈值T3,其优选设置方式为:T3=0.3×Cm_loc_width或T3=0.3×Cm_loc_length,其中Cm_loc_width、Cm_loc_length分别表示包括车辆目标Cm的最小矩形框的宽、长。
当然,也可以基于实际应用场景为所有distmj设置统一的阈值T3。
S8:剔除Stmp中与ST中目标位置重合的车辆目标(例如非极大值抑制(NMS)法),并将Stmp中剩余的车辆目标的停留计数器和目标违章越线标志位初始化为0。求Stmp与ST的并集,并用该集合更新集合ST,即ST=ST∪Stmp。
将更新后的集合ST表示为ST={C1,C2,...,Cn},其中,Ci=(Ci_loc,Ci_l,Ci_n,Ci_F),i=1,2,…,n,n表示集合ST的数目。
对集合ST更新完成后,执行步骤S18;
S9:启动预设的跟踪器,遍历ST中的所有车辆目标,对于集合中的任意车辆目标Ci,加载跟踪器对其目标位置进行更新,并保存上一帧的目标位置,记为Ci_locpre,当前帧的目标位置则记为Ci_loc,其中i=1,2,…,n;
S10:计算ST中同一车辆目标的帧间位置距离disti,即disti=||Ci_locpre-Ci_loc||2;
S11:遍历所有disti,判断disti是否小于阈值T1(不超过4个像素);若是,则执行步骤S12;否则执行步骤S13;
S12:若disti小于T1,则令对应的目标停留计数器Ci_n加1后,即Ci_n=Ci_n+1,再执行步骤S13;
S14:分别计算各目标位置Ci_loc在目标所压直线Ci_l上的垂直或水平投影Ci_loc′,以及对应的上一帧的目标位置Ci_locpre在直线Ci_l上的垂直或水平投影Ci_locpre′,相邻帧的投影方式选取一致。
并分别计算各帧对应的目标位置与投影的有向距离,得到diffi、diffi_pre;
其中有向距离diffi、diffi_pre的计算公式可以是:diffi=ki_jxi+bi_j-yi,diffpre=ki_jxi_pre+bi_j-yi_pre,其中,ki_j、bi_j表示对应目标所压直线Ci_l的直线方程参数,(xi,yi)、(xi_pre,yi_pre)分别表示Ci_loc、Ci_locpre的坐标;
S15:判断相邻帧的有向距离的符号是否相反,例如判断diffi与diffi_pre的乘积是否小于0,若是,则相反,并执行步骤S16;否则直接执行步骤S17;
S16:将相邻帧的有向距离的符号相反的车辆目标的目标违章越线标志位Ci_F置1后,再执行步骤S17;
步骤S17:输出当前帧的违章变道结果,即在当前帧中显示目标违章越线标志位Ci_F为1的车辆目标,如图2-B所示,其中图2-A为变道前的视频帧;
输出显示后继续执行步骤S5;
S18:判断待检测视频是否处理结束,即当前帧是否为待检测视频的最后一帧;若是,则结束;否则继续执行步骤S3。
本发明首先在输入的交通监控视频的场景中标记(人工)出待检测区域中的实线,再基于此对视频序列进行逐帧车辆检测。逐帧检测是否有目标出现在标记的实线附近,若有目标接近实线则对该目标进行跟踪。在跟踪的过程中计算当前车辆所有目标位置到实线上的垂直或水平投影位置,并计算投影位置到目标位置的有向距离。当相邻两帧出现该有向距离的符号反向则说明车辆已经越过实线,完成了变道。现有的方法大多从车辆进入摄像机视野开始就对其进行跟踪并记录车辆的轨迹,最后通过轨迹的信息判断是否进行了违章变道。其变道的判定通常利用车辆的水平位移与车道宽度进行比较,或者对车辆进行色彩、形状等特征的提取并对特征点进行跟踪最终判断是否越线。与上述已有的方法相比,本发明的方法将实线附近的一个小邻域作为越线目标的候选区域,缩小了搜索和跟踪的范围,提高了整个处理过程的效率。而在跟踪过程中不断计算自己位置的几何中心与在实线上投影的有向距离来辨别车辆是否最终完成了变道,简便易行,机制鲁棒性强,因此本方法具有较高的实用价值。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (9)
1.一种违章变道检测方法,其特征在于,包括下列步骤:
步骤1:初始化检测参数:
101:基于预设的待检测区域R内的指定实车道线的直线方程得到实线集合SL;
102:基于待检测视频的初始帧,初始化变道跟踪集合ST,其中变道跟踪集合ST的每个元素表示一个车辆目标的状态信息,包括目标位置、目标停留计数器、目标违章越线标志位,目标所压直线:
基于预设的车辆检测模型,对初始帧进行车辆检测,得到车辆位置;
遍历所有车辆位置,将与实线集合SL中的任意直线的位置距离的小于预设阈值T3的车辆位置作为车辆目标,并构建各车辆目标的状态信息:将车辆目标的车辆位置作为目标位置,将与车辆目标的位置距离小于预设阈值T3的直线作为目标所压直线,初始化各车辆目标的目标停留计数器和目标违章越线标志位;
步骤2:从待检测视频的第二帧开始,依次对待检测视频帧进行违章越线检测处理:
201:跟踪变道跟踪集合ST的每个车辆目标在当前帧的目标位置;
202:基于帧间位置变化更新变道跟踪集合ST的每个车辆目标的目标停留计数器:若当前帧与上一帧的目标位置变化距离小于预设阈值T1,则将对应的目标停留计数器加1;
203:遍历变道跟踪集合ST的所有车辆目标,若当前帧的目标位置不在待检测区域R内或目标停留计数器大于阈值T2,则将当前车辆目标的状态信息从变道跟踪集合ST中删除;
204:基于相邻帧的目标位置与目标所压直线的位置关系更新变道跟踪集合ST的每个车辆目标的目标违章越线标志位:若当前帧与上一帧的目标位置位于目标所压直线的同一侧,则将目标违章越线标志位置为非压线标识;否则置为压线标识;
由目标违章越线标志位为压线标识的车辆目标得到当前帧的违章变道检测结果;
205:基于当前帧的目标位置、更新后的目标停留计数器和目标违章越线标志位得到更新后的变道跟踪集合ST,并基于当前帧的车辆检测结果对当前变道跟踪集合ST进行更新:
基于预设的车辆检测模型,对当前帧进行车辆检测,得到当前帧的车辆位置;
遍历所有车辆位置,将与实线集合SL中的任意直线的距离的小于预设阈值T3的车辆位置作为候选车辆目标;
将与当前变道跟踪集合ST的目标位置重合的候选车辆目标删除得到当前帧的新增车辆目标;构建各新增车辆目标的状态信息并存入变道跟踪集合ST中:将所述新增车辆目标的车辆位置作为目标位置,将与各新增车辆目标的位置距离小于预设阈值T3的直线作为目标所压直线,初始化各新增车辆目标的目标停留计数器和目标违章越线标志位。
2.如权利要求1所述的方法,其特征在于,步骤204中,当前帧与上一帧的目标位置位于目标所压直线的同一侧的判定方式为:分别计算当前帧、上一帧的目标位置到目标所压直线的垂直或水平投影,并计算当前帧的目标位置与对应投影的有向距离、上一帧的目标位置与对应投影的有向距离;若相邻两帧的有向距离的符号同向,则当前帧与上一帧的目标位置位于目标所压直线的同一侧。
3.如权利要求1或2所述的方法,其特征在于,步骤205仅在在当前帧为待检测视频的非最后一帧时进行。
4.如权利要求1或2所述的方法,其特征在于,目标违章越线标志位的压线标识用1表示,非压线标识用0标识。
5.如权利要求4所述的方法,其特征在于,目标违章越线标志位的初始值为0。
6.如权利要求1或2所述的方法,其特征在于,阈值T1的取值上限为4。
7.如权利要求1或2所述的方法,其特征在于,阈值T2的取值范围为3~20。
8.如权利要求1或2所述的方法,其特征在于,目标位置为对应车辆目标的几何中心坐标
9.如权利要求1或2所述的方法,其特征在于,阈值T3的取值为:包括车辆目标的最小矩形框的长或宽的0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710702929.2A CN107563310B (zh) | 2017-08-16 | 2017-08-16 | 一种违章变道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710702929.2A CN107563310B (zh) | 2017-08-16 | 2017-08-16 | 一种违章变道检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563310A CN107563310A (zh) | 2018-01-09 |
CN107563310B true CN107563310B (zh) | 2020-06-16 |
Family
ID=60974609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710702929.2A Active CN107563310B (zh) | 2017-08-16 | 2017-08-16 | 一种违章变道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563310B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344712B (zh) * | 2018-08-31 | 2021-09-24 | 电子科技大学 | 一种道路车辆跟踪方法 |
CN109887303B (zh) * | 2019-04-18 | 2022-07-05 | 齐鲁工业大学 | 随意变更车道行为预警系统及方法 |
CN110298300B (zh) * | 2019-06-27 | 2022-11-22 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
CN110807932A (zh) * | 2019-11-12 | 2020-02-18 | 汤建强 | 一种车辆实线变道检测方法 |
CN110909711B (zh) * | 2019-12-03 | 2022-08-02 | 阿波罗智能技术(北京)有限公司 | 检测车道线位置变化的方法、装置、电子设备和存储介质 |
CN111833598B (zh) * | 2020-05-14 | 2022-07-05 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN114613147B (zh) * | 2020-11-25 | 2023-08-04 | 浙江宇视科技有限公司 | 一种车辆违章的识别方法、装置、介质及电子设备 |
CN112712703A (zh) * | 2020-12-09 | 2021-04-27 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
CN116238524B (zh) * | 2023-03-27 | 2024-02-09 | 宁波斯年智驾科技有限公司 | 基于高精地图与车辆历史轨迹的驾驶行为判别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622884A (zh) * | 2012-03-22 | 2012-08-01 | 杭州电子科技大学 | 一种基于跟踪的车辆违章掉头行为检测方法 |
CN102622886A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆违章变道事件检测方法 |
CN103942960A (zh) * | 2014-04-22 | 2014-07-23 | 深圳市宏电技术股份有限公司 | 一种车辆变道检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI452540B (zh) * | 2010-12-09 | 2014-09-11 | Ind Tech Res Inst | 影像式之交通參數偵測系統與方法及電腦程式產品 |
-
2017
- 2017-08-16 CN CN201710702929.2A patent/CN107563310B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622884A (zh) * | 2012-03-22 | 2012-08-01 | 杭州电子科技大学 | 一种基于跟踪的车辆违章掉头行为检测方法 |
CN102622886A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆违章变道事件检测方法 |
CN103942960A (zh) * | 2014-04-22 | 2014-07-23 | 深圳市宏电技术股份有限公司 | 一种车辆变道检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107563310A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563310B (zh) | 一种违章变道检测方法 | |
US9002055B2 (en) | Methods and systems for matching keypoints and tracking regions between frames of video data | |
CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
Toulminet et al. | Vehicle detection by means of stereo vision-based obstacles features extraction and monocular pattern analysis | |
CN104134222B (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
CN111693972A (zh) | 一种基于双目序列图像的车辆位置与速度估计方法 | |
CN102289948B (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
Guo et al. | Robust road detection and tracking in challenging scenarios based on Markov random fields with unsupervised learning | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
Yaghoobi Ershadi et al. | Robust vehicle detection in different weather conditions: Using MIPM | |
Aminuddin et al. | A new approach to highway lane detection by using Hough transform technique | |
Fernández et al. | Road curb and lanes detection for autonomous driving on urban scenarios | |
CN110348332B (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
Rodríguez et al. | An adaptive, real-time, traffic monitoring system | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
CN106446785A (zh) | 基于双目视觉的可行道路检测方法 | |
Panev et al. | Road curb detection and localization with monocular forward-view vehicle camera | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
Revilloud et al. | A lane marker estimation method for improving lane detection | |
Poggenhans et al. | A universal approach to detect and classify road surface markings | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |